weixin_43250159的博客

这里写自定义目录标题决策树的主要优点：具有很好的解释性，模型可以生成可以理解的规则。可以发现特征的重要程度。模型的计算复杂度较低。决策树的主要缺点：模型容易过拟合，需要采用减枝技术处理。不能很好利用连续型特征。预测能力有限，无法达到其他强监督模型效果。方差较高，数据分布的轻微改变很容易造成树结构完全不同。## 基础函数库import numpy as np ## 导入画图库import matplotlib.pyplot as pltimport seaborn as s

从一个最简单的概率分类器开始，通过给出一些假设（1.各特征之间是独立的；2.每个特征同等重要）来学习朴素贝叶斯分类器。朴素贝叶斯的核心思想：选择高概率对应的类别。贝叶斯准则使用这些定义，可以定义贝叶斯分类准则为： 如果P(c1|x, y) > P(c2|x, y)，那么属于类别c1。 如果P(c1|x, y) < P(c2|x, y)，那么属于类别c2。该函数的伪...

算法原理决策树模型是一种描述对实例进行分类的树形结构。其由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性（features），叶结点表示一个类（labels）。用决策树对需要测试的实例进行分类：从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子结点；...

简单来说，k-紧邻算法采用测量不同特征值之间的距离方法进行分类。优点：精度高、对异常值不敏感，无数据输入假定。缺点 ：计算复杂度高、空间复杂度高。使用数据范围 ： 数值型和标称型（标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)工作原理：给定一个样本数据集（训练样本集），并且样本集中每个数据都存在标签，即我们知道样本集中每个数据与所属分类的对应关系。对新输...